এই পর্বে যা শিখবেন
- Likelihood আর impact আলাদা করে বিচার করা, আর risk level, risk analysis ও risk control-এর মানে
- ছয়টি কৌশলে product risk চিহ্নিত করা, FMEA-র RPN হিসাব আর risk matrix-এর সীমা
- ঝুঁকির মাত্রা থেকে test-এর technique, level, গভীরতা, সময় আর ক্রম ঠিক করা
- আসল কোডের metric দিয়ে risk register বানানো, আর আসল defect দিয়ে সেটি যাচাই করা
- Risk-ভিত্তিক regression ক্রম, register হালনাগাদ আর residual risk রিপোর্ট লেখা
১ · সব জায়গায় সমান test কেন ভুল — হাসপাতালের জরুরি বিভাগ
ঢাকার একটি বড় হাসপাতালের জরুরি বিভাগে রাত দুইটায় বিশজন রোগী অপেক্ষা করছেন। ডাক্তার মাত্র তিনজন। যিনি আগে এসেছেন তাঁকে আগে দেখা — এই নিয়ম মানলে বুকে ব্যথার রোগী হয়তো হাত কাটা রোগীর পেছনে পড়ে থাকবেন। তাই নার্স প্রথমে প্রত্যেককে এক মিনিট দেখে ভাগ করেন: কার অবস্থা খারাপ হওয়ার সম্ভাবনা বেশি, আর খারাপ হলে ক্ষতি কত বড়। একে বলে triage. সবাইকে দেখা হবে, কিন্তু সমান সময়ে নয়, সমান ক্রমেও নয়।
Software testing-এ সময় সবসময় ডাক্তারের মতোই কম। পর্ব ০৩-এর প্রথম নীতিগুলোর একটি বলে, সব input test করা অসম্ভব; আরেকটি বলে, defect কয়েকটি জায়গায় জোট বাঁধে। দুটি মিলিয়ে একটি প্রশ্ন দাঁড়ায়: সীমিত সময় কোথায় খরচ করব? এর উত্তরের সবচেয়ে প্রচলিত পদ্ধতি risk-based testing: ঝুঁকি দিয়ে test-এর অগ্রাধিকার, গভীরতা আর ক্রম ঠিক করা।
বর্ষার আগে গ্রামের বাঁধ পাহারার কথা ভাবুন। দশ কিলোমিটার বাঁধে পাহারাদার দুজন। তাঁরা জানেন, গত বছর যেখানে ফাটল ধরেছিল, যেখানে মাটি নতুন, আর যেখানে বাঁধের পাশেই বাজার — সেখানে রাতে তিনবার যেতে হবে; ধানক্ষেতের পাশের পুরোনো শক্ত অংশে একবার। এটিই risk-based testing: আগের ফাটল (past defects), নতুন মাটি (নতুন কোড), বাজার (বড় প্রভাব)।
পর্ব ১৭-এ test plan-এর ঝুঁকির ঘর, product risk বনাম project risk আর সম্ভাবনা × প্রভাবের প্রথম পরিচয় পেয়েছেন। এই পর্ব সেখান থেকে পুরো পদ্ধতিতে যায়, আর একটি কঠিন প্রশ্নের সৎ উত্তর খোঁজে: আমাদের ঝুঁকির অনুমান কি আসলে ঠিক জায়গা দেখিয়েছিল? বাজারঘরের কোড মেপে register বানাব, তারপর এই কোর্সে এ পর্যন্ত পাওয়া আসল defect দিয়ে সেটি যাচাই করব।
Risk-based testing মানে “কম ঝুঁকির জায়গা test না করা” নয়। মানে প্রতিটি জায়গায় ঝুঁকির মাপে কতটা আর কখন, সেই সিদ্ধান্ত জেনেবুঝে নেওয়া আর লিখে রাখা — যাতে সময় ফুরালে বাদ পড়ে কম ঝুঁকির কাজ, বেশি ঝুঁকির নয়।
২ · ঝুঁকির ভাষা — likelihood, impact আর risk level
ISTQB-এর Foundation syllabus (সংস্করণ ৪.০, ২০২৩)-এর ভাষা নিজের কথায় বললে: ঝুঁকি হলো এমন একটি সম্ভাব্য ঘটনা যা ঘটলে খারাপ ফল হয়। এর মাত্রা, অর্থাৎ risk level, দুটি জিনিস দিয়ে ঠিক হয়।
Likelihood · সম্ভাবনা
Likelihood — ভুলটি ঘটার সম্ভাবনা। মূলত কারিগরি প্রশ্ন: কোড কতটা জটিল, কতটা নতুন, কত ঘন ঘন বদলায়, বাইরের system-এর ওপর কতটা নির্ভর, দল এই প্রযুক্তিতে কতটা অভিজ্ঞ।
বিচার করেন: developer, architect, testerImpact · প্রভাব
Impact — ভুলটি ঘটলে ক্ষতি। মূলত ব্যবসার প্রশ্ন: টাকা যায় কি না, কতজন ভুক্তভোগী, গ্রাহকের ভরসা, আইনি দায়, কাজ চালিয়ে যাওয়ার বিকল্প আছে কি না।
বিচার করেন: product owner, ব্যবসা, supportকাজের তিনটি ধাপ syllabus-এ এভাবে সাজানো: risk analysis (চিহ্নিত করা আর মাপা), তারপর risk control (test দিয়ে বা অন্যভাবে ঝুঁকি কমানো, আর নতুন তথ্য এলে মাত্রা হালনাগাদ রাখা)। আর মনে রাখুন পর্ব ১৭-এর বিভাজন: product risk ঠিক করে কী আর কতটা test হবে; project risk (tester ছুটিতে, environment অচল) ঠিক করে কাজটি সময়মতো হবে কি না। এই পর্বের বিষয় প্রধানত product risk. ঝুঁকি ব্যবস্থাপনার সাধারণ কাঠামো — risk response, RMMM, expected monetary value — সফটওয়্যার ইঞ্জিনিয়ারিং ও Git কোর্সের পর্ব ৬২-এ আছে; এখানে শুধু tester-এর চোখ।
দুটি প্রশ্ন গুলিয়ে ফেলবেন না। “এই bug হলে গ্রাহক খুব রাগ করবেন” — এটি impact, likelihood নয়। “এই কোড তিনজন তিনবার বদলেছেন” — এটি likelihood, impact নয়। মিটিংয়ে এক ব্যক্তি দুটি নম্বরই দিলে প্রায়ই দুটি এক হয়ে যায়; তাই অনেক দল দুই প্রশ্নের উত্তর দুই দলের কাছ থেকে নেয়। Erik van Veenendaal-এর নামে পরিচিত PRISMA পদ্ধতিতে (Product RISk MAnagement; ২০১২ সালের দিকে বই আকারে প্রকাশিত বলে জানা যায়) এই ভাগটিই মূল: কারিগরি stakeholder likelihood-এ, ব্যবসার stakeholder impact-এ আলাদাভাবে নম্বর দেন, আর ফল একটি চার ভাগের ছকে বসে।
৩ · ঝুঁকি চিহ্নিত করা — ছয়টি কৌশল, একটি checkout
মাপার আগে খুঁজে পেতে হয়; যে ঝুঁকি তালিকায় নেই, তার কোনো test-ও নেই। প্রচলিত ছয়টি উৎস:
- Brainstorming আর interview: product owner, developer, support আর tester একসঙ্গে বসে “কী ভুল হলে সবচেয়ে খারাপ?” Support দল জানেন কোন অভিযোগ বারবার আসে।
- Checklist: quality characteristic-এর তালিকা (ISO/IEC 25010: functional suitability, performance, compatibility, usability, reliability, security, maintainability, portability) ধরে প্রতিটি feature-এ প্রশ্ন। ভুলে যাওয়া ধরন সামনে আসে।
- FMEA-lite: FMEA-তে প্রতিটি অংশের সম্ভাব্য ব্যর্থতার ধরন লিখে তিনটি নম্বর দেওয়া হয় — severity (S), occurrence (O), detection (D, ধরা পড়া যত কঠিন তত বড়) — আর গুণফল RPN = S × O × D. পদ্ধতিটি মার্কিন সামরিক আর মহাকাশ প্রকৌশলে বহু দশক আগে শুরু হয়েছিল; software-এ সাধারণত হালকা রূপে চলে।
- আগের defect: পর্ব ০৩-এর defect clustering — যেখানে আগে ভুল মিলেছে, সেখানে আবার মেলার সম্ভাবনা বেশি।
- জটিলতা আর পরিবর্তন: cyclomatic complexity (পর্ব ১৩), কোডের আকার, আর code churn — কত ঘন ঘন বদলায়। জটিল আর ঘন ঘন বদলানো অংশকে বলে hotspot.
- ব্যবহারের ধরন: কোন পথ দিয়ে সবচেয়ে বেশি ব্যবহারকারী যান, কোন সময়ে চাপ বাড়ে (ঈদের আগে)। বেশি ব্যবহার মানে ভুলের impact বেশি, আর ভুল চোখে পড়ার সম্ভাবনাও বেশি।
নিচের ডায়াগ্রামে বাজারঘরের checkout-এ ছয়টি কৌশল একে একে চালানো হচ্ছে। প্রতিটি কৌশল কোন ঝুঁকি যোগ করল, দেখুন; “পরে” চাপুন।
| কৌশল | |
| পাওয়া গেল | |
| তালিকায় |
- Brainstorming. Product owner, developer রাকিব আর tester নাদিয়া পনেরো মিনিট বসলেন। Product owner-এর প্রথম কথা: “checkout-এর total ভুল দেখালে সবচেয়ে খারাপ।” তালিকায় R1. সবচেয়ে দ্রুত কৌশল, কিন্তু ঘরের মানুষ যা ভাবতে পারেন, ততটুকুই।
- Checklist. ISO/IEC 25010-এর reliability প্রশ্ন — “নেটওয়ার্ক কাটলে কী হয়?” — থেকে R2: জেলা বদলালেও পর্দায় পুরোনো delivery charge থেকে যেতে পারে। Brainstorming-এ এটি কারও মাথায় আসেনি; checklist ঠিক এই কাজেই। ঝুঁকি ২টি।
- FMEA-lite. পেমেন্টের ধাপের একটি failure mode: wallet timeout-এর বার্তা দেখে ক্রেতা আবার pay চাপলেন। Severity ৯ (টাকা দুবার কাটা), occurrence ৪, detection ৬ (সাধারণ test-এ ধরা কঠিন)। RPN = ৯ × ৪ × ৬ = ২১৬ — তালিকার সবচেয়ে বড়। R3, ঝুঁকি ৩টি।
- আগের defect. এই কোর্সের পর্ব ৬৯-এ ফোনে test-এর সময় আসল defect মিলেছিল: বাংলা অঙ্কে লেখা ফোন নম্বর form-এ রূপান্তর হয় না, আর ভুলের বার্তা ইংরেজি অঙ্কে। একই ধরনের ভুল কাছাকাছি আবার আসতে পারে — R4. ঝুঁকি ৪টি।
- জটিলতা. radon-এর মাপে (§৫)
place_order-এর cyclomatic complexity ১০ আরpay-এর ১৩ — পুরো app-এ প্রায় সবচেয়ে বেশি। শাখা বেশি মানে ভুল লুকানোর জায়গা বেশি; R5. ঝুঁকি ৫টি। - ব্যবহারের ধরন. প্রতিটি অর্ডার checkout দিয়েই যায় — এটি নতুন ঝুঁকি যোগ করে না, কিন্তু R1–R5 সবগুলোর impact বাড়ায়। খেয়াল করুন, ছয়টি কৌশলের প্রতিটি অন্তত একটি ঝুঁকি দেখাল যা অন্যগুলো দেখায়নি বা যার মাত্রা বদলাল — তাই একটি কৌশলে থামা ঝুঁকিপূর্ণ।
৪ · মাপা আর সাজানো — স্কেল, risk matrix আর তার ফাঁদ
সাধারণ রীতিতে likelihood আর impact দুটিতেই ১ থেকে ৫-এর (কখনো ১ থেকে ৩) ক্রমবাচক মাপ, আর risk level = দুটির গুণফল, ১ থেকে ২৫. প্রতিটি নম্বরের মানে আগে থেকে লিখে রাখলে বিচার স্থির থাকে — যেমন impact ৫ = “টাকা ভুল যায় বা অনেক ক্রেতা অর্ডার দিতে পারেন না”, impact ১ = “প্রসাধনী, কাজ চলে”। গুণফলকে তিনটি দলে ভাগ করা প্রচলিত; এই পর্বে উঁচু ১৫ বা বেশি, মাঝারি ৮–১৪, নিচু ৭ বা কম। এই ভাগ ছবিতে দেখালে হয় risk matrix — নিচে বাজারঘরের ৯টি অংশ, §৫-এর আসল register থেকে বসানো।
বাজারঘরের risk matrix — ৯টি অংশ
ডানে গেলে likelihood বাড়ে, ওপরে গেলে impact; ঘরের রং গুণফলের দল
Risk matrix সহজ আর জনপ্রিয়, কিন্তু তিনটি দুর্বলতা জেনে ব্যবহার করুন। এক, ক্রমবাচক সংখ্যা গুণ করা গণিতের দিক থেকে দুর্বল: impact ৫ মানে impact ১-এর পাঁচগুণ ক্ষতি নয়। দুই, একই গুণফল ভিন্ন জিনিস লুকায়: ১ × ৫ আর ৫ × ১ দুটিই ৫, কিন্তু প্রথমটি বিরল বিপর্যয়, দ্বিতীয়টি রোজকার বিরক্তি। তিন, সীমার কাছে নম্বর এক ধাপ নড়লে দল বদলায়। সাইবার নিরাপত্তা কোর্সের পর্ব ৬৮-এ heat map-এর এই দুর্বলতা আর FAIR-এর মতো সংখ্যাভিত্তিক বিকল্প আছে। Testing-এ প্রচলিত একটি সরল প্রতিকার: impact ৫ কখনো নিচু দলে যাবে না — অন্তত মাঝারি। নিচের JavaScript ছকটি আপনার ব্রাউজারে চলে; শেষ লাইনে ঠিক এই ফাঁদ ধরা হয়েছে। “চালান” চাপুন, তারপর areas.E-এর মান বদলে নিজের একটি ঝুঁকি বসিয়ে দেখুন।
// L = likelihood 1-5, I = impact 1-5 (bazarghar register)
const areas = { O: [4, 4], A: [4, 4], P: [3, 5], C: [3, 5], K: [4, 3],
R: [3, 3], S: [2, 3], U: [2, 3], D: [1, 5] };
// try it: add your own risk, e.g. a new "Eid express delivery"
areas.E = [4, 5];
const band = (l, i) => (l * i >= 15 ? "H" : l * i >= 8 ? "M" : "L");
console.log("I\\L 1 2 3 4 5");
for (let i = 5; i >= 1; i--) {
let row = `${i} `;
for (let l = 1; l <= 5; l++) {
const here = Object.keys(areas)
.filter((k) => areas[k][0] === l && areas[k][1] === i).join("");
row += (band(l, i) + ":" + (here || "-")).padEnd(6);
}
console.log(row);
}
const ranked = Object.entries(areas)
.sort((a, b) => b[1][0] * b[1][1] - a[1][0] * a[1][1]);
console.log("order:", ranked.map(([k, [l, i]]) => k + "=" + l * i).join(" "));
const hidden = ranked.filter(([, [l, i]]) => i === 5 && band(l, i) === "L");
console.log("impact 5 but band L:", hidden.map(([k]) => k).join(", "));আসল আউটপুট (ব্রাউজারের JavaScript):
I\L 1 2 3 4 5
5 L:D M:- H:PC H:E H:-
4 L:- M:- M:- H:OA H:-
3 L:- L:SU M:R M:K H:-
2 L:- L:- L:- M:- M:-
1 L:- L:- L:- L:- L:-
order: E=20 O=16 A=16 P=15 C=15 K=12 R=9 S=6 U=6 D=5
impact 5 but band L: D
অক্ষরগুলো অংশের সংক্ষেপ: O অর্ডার, A লগইন ও admin, P পেমেন্ট, C checkout, K কার্ট, R রিভিউ, S সার্চ, U লেআউট, D দামের নিয়ম, আর E আপনার নতুন ঝুঁকি (ধরা যাক ঈদের এক্সপ্রেস ডেলিভারি, ৪ × ৫ = ২০)। E সবার আগে চলে এল। শেষ লাইনটি সতর্কবার্তা: D-এর impact ৫, তবু দল “L” — গুণফল ৫. ছক যন্ত্রের মতো মানলে টাকার নিয়ম তালিকার একেবারে শেষে যায়। পরের অংশের allocation-এ তাই impact ৫-কে অন্তত মাঝারি ধরা হয়েছে। ছকের সংখ্যা সিদ্ধান্ত নয়, আলোচনার শুরু।
৫ · সত্যিকারের run — আসল কোড মেপে বাজারঘরের risk register
এবার অনুমানের বদলে মাপ। নিচের সবকিছু এই কোর্স লেখার সময় একটি সাধারণ Windows ডেস্কটপে সত্যিকারভাবে চালানো: Python 3.12.13, uv দিয়ে বাজারঘরের shared app-এর একটি কপি, pytest 9.2.0 (MIT লাইসেন্স), আর radon 6.0.1 (MIT লাইসেন্স) — Python কোডের cyclomatic complexity আর লাইন গোনার tool. radon কোনো তথ্য বাইরে পাঠায় না; তার কোডে network-এর কোনো ব্যবহার নেই, যাচাই করে নেওয়া হয়েছে। Path নিরপেক্ষ করা।
$ cd ~/bazarghar-qa/app
$ uv add --dev radon
$ uv run radon cc src/bazarghar -s -a -nb # only grade B or worse
src/bazarghar/db.py
F 168:0 _load_seed - C (14)
src/bazarghar/rules.py
F 94:0 next_status - B (7)
F 136:0 validate_review - B (6)
src/bazarghar/services.py
M 310:4 Shop.pay - C (13)
M 191:4 Shop.place_order - B (10)
M 282:4 Shop.transition - B (10)
M 81:4 Shop.search - B (9)
M 109:4 Shop.set_stock - B (6)
M 360:4 Shop.reviews - B (6)
src/bazarghar/wallet.py
M 45:4 FakeWallet.charge - B (6)
src/bazarghar/web.py
F 227:0 order_page - B (10)
F 287:0 review_submit - B (6)
F 320:0 admin_stock_update - B (6)
13 blocks (classes, functions, methods) analyzed.
Average complexity: B (8.384615384615385)
প্রতিটি লাইনে function, তার শুরুর লাইন আর complexity; A মানে ১–৫ (সরল), B ৬–১০, C ১১–২০. সবচেয়ে জটিল _load_seed শুধু test data লোড করে — ব্যবসার ঝুঁকি নয়। এটি প্রথম শিক্ষা: metric একা ঝুঁকি নয়, ঝুঁকির একটি ইঙ্গিত। তাই function-গুলোকে ব্যবসার ৯টি অংশে ভাগ করে একটি ছোট script (register.py) প্রতিটি অংশের তিনটি জিনিস যোগ করল: মোট complexity (CC), মোট কোডের লাইন (SLOC, template-সহ), আর database-এ লেখার lock নেওয়া block-এর সংখ্যা (wr — অবস্থা বদলানো কোড)। তিনটিকে ০–১-এ এনে গড় করে likelihood ১–৫. Impact দেওয়া হলো ব্যবসার বিচারে — টাকা ৫, অর্ডারের অবস্থা আর লগইন ৪, বাকিগুলো ৩ — আর সেটি লেখা হলো defect-এর ইতিহাসের সঙ্গে মেলানোর আগে। Database আর server চালু করার কোড (plumbing) বাদ।
$ uv run python ../register.py
area CC SLOC wr L I L*I
orders 51 198 1 4 4 16
account 51 156 3 4 4 16
payment 31 98 1 3 5 15
checkout 29 139 1 3 5 15
cart 33 140 4 4 3 12
reviews 36 143 1 3 3 9
search 24 141 0 2 3 6
layout 0 175 0 2 3 6
pricing 12 36 0 1 5 5
এটিই বাজারঘরের প্রথম risk register-এর মেরুদণ্ড; বাস্তবের register-এ প্রতিটি সারিতে আরও থাকে বিবরণ, প্রতিকার, দায়িত্বপ্রাপ্ত ব্যক্তি আর অবস্থা। তিনটি সৎ সীমাবদ্ধতা লিখে রাখা দরকার। এক, code churn মাপা যায়নি: app-টি কোর্সের জন্য একবারে লেখা, এর কোনো পরিবর্তনের ইতিহাস এই lab-এ নেই। বাস্তব project-এ version control-এর log থেকে প্রতিটি ফাইলে কতবার কত লাইন বদলেছে তা বের করা যায়, আর গবেষণায় churn প্রায়ই complexity-র চেয়ে ভালো ইঙ্গিত দিয়েছে বলে জানা যায়। দুই, layout-এর CC শূন্য — CSS আর HTML-এর জটিলতা radon দেখে না। তিন, weight আর সীমা (তিনটি মাপের সমান গড়) একটি পছন্দ, প্রমাণিত সত্য নয়।
Register থেকে পরের প্রশ্ন: হাতে ৪০ ঘণ্টা test-এর সময় থাকলে কোন অংশে কত, আর কোন গভীরতায়? নিচের calculator গুণফলের অনুপাতে সময় ভাগ করে, আর §৪-এর নিয়ম মেনে impact ৫-কে অন্তত মাঝারি দলে রাখে। কোড চলে আপনার ব্রাউজারে (Pyodide).
# Risk register of bazarghar (L from radon metrics, I from judgement)
REG = {"orders": (4, 4), "account": (4, 4), "payment": (3, 5),
"checkout": (3, 5), "cart": (4, 3), "reviews": (3, 3),
"search": (2, 3), "layout": (2, 3), "pricing": (1, 5)}
BUDGET_H = 40 # test hours for the next release
def band(score, impact):
if score >= 15 or impact == 5: # impact 5 never goes below medium
return "HIGH" if score >= 15 else "MED"
return "MED" if score >= 8 else "LOW"
DEPTH = {"HIGH": "formal techniques + API & UI + 2nd reviewer",
"MED": "main techniques, API level",
"LOW": "checklist + 1 exploratory pass"}
rows = sorted(REG.items(), key=lambda kv: -kv[1][0] * kv[1][1])
total = sum(l * i for _, (l, i) in rows)
print(f"{'area':9} L I LxI band hours")
given = 0
for area, (l, i) in rows:
hours = round(BUDGET_H * l * i / total, 1)
given += hours
print(f"{area:9} {l} {i} {l*i:4} {band(l*i, i):4} {hours:5}")
print(f"total score {total}, hours given {given:.1f}")
for b in ("HIGH", "MED", "LOW"):
names = [a for a, (l, i) in rows if band(l * i, i) == b]
print(f"{b}: {', '.join(names)}")
print(f" -> {DEPTH[b]}")আসল আউটপুট (ব্রাউজারের Python):
area L I LxI band hours
orders 4 4 16 HIGH 6.4
account 4 4 16 HIGH 6.4
payment 3 5 15 HIGH 6.0
checkout 3 5 15 HIGH 6.0
cart 4 3 12 MED 4.8
reviews 3 3 9 MED 3.6
search 2 3 6 LOW 2.4
layout 2 3 6 LOW 2.4
pricing 1 5 5 MED 2.0
total score 100, hours given 40.0
HIGH: orders, account, payment, checkout
-> formal techniques + API & UI + 2nd reviewer
MED: cart, reviews, pricing
-> main techniques, API level
LOW: search, layout
-> checklist + 1 exploratory pass
নয়টি গুণফলের যোগ কাকতালীয়ভাবে ঠিক ১০০, তাই প্রতিটি অংশের ঘণ্টা = গুণফলের ০.৪ গুণ: অর্ডার ১৬ → ৬.৪ ঘণ্টা, দাম ৫ → ২.০ ঘণ্টা। চারটি অংশ উঁচু দলে, আর তারা পায় ৪০-এর ২৪.৮ ঘণ্টা। খেয়াল করুন “pricing”: গুণফল ৫, তালিকার একেবারে নিচে, তবু দল MED — impact ৫-এর নিয়মে। কিন্তু ঘণ্টা মাত্র ২.০; দল বদলালেও সময়ের ভাগ বদলায়নি। নিজে করে দেখুন: pricing-কে (1, 5) থেকে (2, 5) করলে কী বদলায়? আর একটি সৎ প্রশ্ন: সময় কি সত্যিই গুণফলের অনুপাতে ভাগ করা উচিত? অনেক দল উঁচু দলকে আগে পুরো সময় দেয়, তারপর বাকিটা ভাগ করে — এটিও একটি নীতি, যা plan-এ লিখে রাখতে হয়।
৬ · ঝুঁকি থেকে test-এর গভীরতা — technique, level, ক্রম আর স্বাধীনতা
“উঁচু ঝুঁকিতে বেশি test” কথাটি অস্পষ্ট। ঝুঁকির মাত্রা আসলে পাঁচটি সিদ্ধান্তকে চালায়: কোন technique (আনুষ্ঠানিক নাকি checklist), কোন test level (unit, API, UI), কতটা coverage, কতটা স্বাধীন review, আর run-এ কোন ক্রমে। নিচের টেবিলটি বাজারঘরের দলের নীতি — অন্য দলে সংখ্যা ভিন্ন হবে, কিন্তু কাঠামো একই।
| সিদ্ধান্ত | উঁচু (≥ ১৫) | মাঝারি (৮–১৪, বা impact ৫) | নিচু (≤ ৭) |
|---|---|---|---|
| Technique | state transition, decision table, BVA, error guessing; চাইলে chaos | EP আর BVA-র মূল কিনারা | checklist আর একটি exploratory পাস |
| Level | unit + API + UI-এর পুরো পথ | unit বা API | UI-তে হাতে দেখা |
| Coverage | branch coverage আর প্রতিটি failure mode-এ test | প্রতিটি নিয়মে অন্তত একটি test | প্রধান পথ |
| স্বাধীনতা | test কোডের review দ্বিতীয় একজনের হাতে | দলের সাধারণ review | লেখকের নিজের যাচাই |
| ক্রম আর regression | প্রতিটি run-এ প্রথমে; প্রতিটি commit-এ CI-তে | প্রতিটি run-এ | রাতের পুরো suite-এ |
নিচের ডায়াগ্রামে পেমেন্ট অংশটিকে নীতির প্রতিটি ধাপ দিয়ে নিয়ে যাওয়া হচ্ছে, শেষে সার্চের সঙ্গে তুলনা।
| ধাপ | |
| সিদ্ধান্ত | |
| সময় |
- মাত্রা. Likelihood ৩ (CC ৩১, বাইরের fake gateway), impact ৫ (টাকা)। গুণফল ১৫ — উঁচু দল, সময় ৬.০ ঘণ্টা।
- Technique. পেমেন্টের আচরণ নির্ভর করে পদ্ধতি (cash, card, mobile-wallet) আর gateway-র অবস্থার (success, decline, timeout, timeout_once) ওপর: ৩ × ৪ = ১২টি সারির decision table. Cash gateway ছোঁয় না, তাই তার চারটি সারি একটিতে মিশে যায় — অর্থবহ সারি ১ + ৪ + ৪ = ৯টি। সঙ্গে অর্ডারের অবস্থা-যন্ত্র (পর্ব ১০): placed থেকে paid, আর অন্য অবস্থায় pay মানে ৪০৯.
- Level. Unit-এ নিয়ম, API-তে Idempotency-Key, আর UI-তে pay form-এর পুরো পথ। শেষটি কেন জরুরি, তার প্রমাণ এই কোর্সেই: পর্ব ৩৭-এ API নিরাপদ থাকলেও UI-র pay form-এ timeout-এর পরে আবার চাপলে দুবার টাকা কাটার আসল defect মিলেছিল।
- স্বাধীনতা. পেমেন্টের test কোড অন্য একজন review করবেন। যিনি কোড লিখেছেন, তাঁর মাথায় যে অবস্থা আসেনি, তাঁর test-এও তা আসে না — পর্ব ০৩-এর independence-এর নীতি।
- ক্রম. প্রতিটি CI run-এ পেমেন্টের test প্রথমে চলবে, আর প্রতিটি commit-এ (পর্ব ৬৪)। ভুল থাকলে তার খবর আসবে প্রথম মিনিটে।
- তুলনা: সার্চ. ২ × ৩ = ৬, নিচু দল, ২.৪ ঘণ্টা: বাংলা ও ইংরেজি নামের একটি checklist আর একটি exploratory পাস। নিচু মানে শূন্য নয় — আর §৮-এ দেখবেন, এই “নিচু” অংশেই দুটি আসল defect ছিল।
৭ · ঝুঁকি দিয়ে regression-এর ক্রম — একটি সৎ পরীক্ষা
পর্ব ৬৮-এ test-এর ক্রম বদলে ব্যর্থতার খবর আগে আনার কৌশল (test case prioritization) আর তার মাপ APFD দেখেছেন; সেখানে সংকেত ছিল “আগে-ব্যর্থ test আগে”। এখানে সংকেত ঝুঁকি। প্রশ্ন: register-এর ক্রমে app-এর নিজের ১৫০টি test চালালে seeded bug কি আগে ধরা পড়ে? prioritise.py প্রতিটি test-কে একটি অংশে বসাল (পেমেন্ট ৭, checkout ১৯, অর্ডার ২০, লগইন ১৫, কার্ট ৩, রিভিউ ৩৬, সার্চ ১৩, লেআউট ২, দাম ৩২, আর app-এর নিজস্ব ৩টি), তারপর আটটি seeded bug-এর প্রতিটি চালু রেখে pytest -x তিন ক্রমে: ডিফল্ট (ফাইলের নাম অনুযায়ী), গুণফল L × I অনুযায়ী, আর impact আগে, তারপর likelihood. সংখ্যা মানে প্রথম ব্যর্থ test কততম। সত্যিকারের run:
$ uv run pytest -q
150 passed in 13.08s
$ uv run python ../prioritise.py
seeded bug default L*I I,L
coupon_ge 86 119 30
delivery_after_discount 98 131 42
review_utf16_length 133 83 115
cancel_after_shipped 30 19 77
double_charge_no_idempotency 60 39 4
slow_search 21 111 143
a11y_missing_label 46 113 145
reflected_search 47 114 146
mean position 65.1 91.1 87.8
ফলটি ঝুঁকির পক্ষে নয় — আর ঠিক সেজন্যই শিক্ষণীয়। গড়ে ডিফল্ট ক্রম ৬৫.১-তম test-এ প্রথম ভুল ধরে, ঝুঁকির ক্রম ৯১.১-তম, impact-আগে ক্রম ৮৭.৮-তম। কারণ সরল: আটটি seeded bug-এর পাঁচটি দাম, সার্চ আর লেআউটে — register-এর নিচের দিকে। Seeded bug-গুলো বিভিন্ন technique শেখানোর জন্য বসানো হয়েছিল, ঝুঁকির বণ্টন মেনে নয়। যেখানে bug উঁচু ঝুঁকির অংশে, সেখানে লাভ স্পষ্ট: দুবার টাকা কাটার bug ডিফল্টে ৬০-তম, L × I-তে ৩৯-তম, impact-আগে মাত্র ৪র্থ test-এ; শিপ হওয়া অর্ডার বাতিলের bug ৩০ থেকে ১৯. Impact-আগে ক্রম দামের দুটি bug-ও ৩০ আর ৪২-এ এনেছে — কিন্তু এই ক্রমটি প্রথম ফল দেখার পরে চেষ্টা করা, তাই একে স্বাধীন প্রমাণ ভাবা যাবে না।
দুটি কথা মনে রাখুন। এক, ক্রম কিছু বাদ দেয় না: তিন ক্রমেই পুরো suite চালালে আটটির আটটি bug ধরা পড়ে; বদলায় শুধু প্রথম খবর কত তাড়াতাড়ি। Selection (কিছু test বাদ দেওয়া) এর চেয়ে অনেক বড় বাজি — পর্ব ৬৮-এর সতর্কতা। দুই, ঝুঁকির ক্রম একটি বাজি যে ঝুঁকির অনুমান ঠিক। অনুমান ভুল হলে ক্রমও ভুল জায়গা আগে দেখায়। তাই বাজির ফল মেপে দেখা দরকার — পরের অংশের কাজ।
৮ · ফিরে দেখা — উঁচু ঝুঁকির জায়গাতেই কি আসল defect ছিল?
Seeded bug বানানো; আসল পরীক্ষা হলো পাওয়া defect. এই কোর্সের আগের পর্বগুলোতে কোনো bug switch ছাড়াই বাজারঘরে ১৪টি আসল defect বা দুর্বলতা মিলেছে। অংশ অনুযায়ী:
| অংশ (L×I) | আসল defect | যে পর্বে পাওয়া |
|---|---|---|
| পেমেন্ট (15) | UI-তে timeout-এর পরে দুবার টাকা কাটা; wallet call লেখার lock-এর ভেতরে; টাকা কাটা অথচ অর্ডার unpaid — 3টি | ৩৭, ৬৩, ৬৩ |
| Checkout (15) | অফলাইনে পুরোনো delivery charge; দুবার চাপলে “কার্ট খালি” পাতা; reload-এ খসড়া হারানো; বাংলা অঙ্কের ফোন — 4টি | ৫৭, ৫৭, ৬৯, ৬৯ |
| অর্ডার (16) | /api/orders-এ N+1 query আর index নেই — 1টি | ৪৯ |
| লগইন ও admin (16) | — 0টি | — |
| কার্ট (12) | ৩২০ px-এ পাশে scroll — 1টি | ৪২ |
| রিভিউ (9) | বাংলা পাতায় ইংরেজি ভুলের বার্তা — 1টি | ৫৬ |
| সার্চ (6) | Unicode normalise হয় না; 2**63 id-তে HTTP 500 — 2টি | ৫৬, ৬০ |
| লেআউট (6) | focus ring-এর contrast 1.07:1; ছোট tap target — 2টি | ৫৪, ৬৯ |
| দাম (5) | — 0টি | — |
এবার register আর এই তালিকা মিলিয়ে দেখা যাক। নিচের block দুটি মাপ নেয়: Spearman-এর rank correlation (ρ, −১ থেকে +১; ০ মানে ক্রমে কোনো মিল নেই) — স্কোর বনাম defect-এর সংখ্যা, আর স্কোর বনাম প্রতি ১০০ লাইনে defect (density). তারপর register হালনাগাদ করে: প্রতি দুটি আসল defect-এ likelihood এক ধাপ বাড়ে, সর্বোচ্চ ৫ — দলের একটি সরল নিয়ম।
# area: (L, I, SLOC) from the real register; FOUND = real defects
REG = {"orders": (4, 4, 198), "account": (4, 4, 156), "payment": (3, 5, 98),
"checkout": (3, 5, 139), "cart": (4, 3, 140), "reviews": (3, 3, 143),
"search": (2, 3, 141), "layout": (2, 3, 175), "pricing": (1, 5, 36)}
FOUND = {"payment": [37, 63, 63], "checkout": [57, 57, 69, 69],
"layout": [54, 69], "search": [56, 60], "cart": [42],
"orders": [49], "reviews": [56], "pricing": [], "account": []}
def ranks(vals): # average rank for ties (1 = biggest)
order = sorted(vals, reverse=True)
return [sum(i + 1 for i, v in enumerate(order) if v == x) / order.count(x)
for x in vals]
def spearman(xs, ys):
rx, ry = ranks(xs), ranks(ys)
mx, my = sum(rx) / len(rx), sum(ry) / len(ry)
cov = sum((a - mx) * (b - my) for a, b in zip(rx, ry))
sx = sum((a - mx) ** 2 for a in rx) ** 0.5
sy = sum((b - my) ** 2 for b in ry) ** 0.5
return cov / (sx * sy)
areas = list(REG)
n = [len(FOUND[a]) for a in areas]
dens = [100 * len(FOUND[a]) / REG[a][2] for a in areas]
for name, k in (("L x I", lambda a: REG[a][0] * REG[a][1]),
("L only", lambda a: REG[a][0]), ("I only", lambda a: REG[a][1])):
s = [k(a) for a in areas]
print(f"{name:6} rho(count)={spearman(s, n):+.2f}"
f" rho(density)={spearman(s, dens):+.2f}")
top = sorted(areas, key=lambda a: -REG[a][0] * REG[a][1])[:4]
print("top-4 areas:", ", ".join(top), "->", sum(len(FOUND[a]) for a in top), "of 14")
new = {a: min(5, REG[a][0] + len(FOUND[a]) // 2) for a in areas}
nxt = sorted(areas, key=lambda a: -new[a] * REG[a][1])
print("next release:", ", ".join(f"{a} {new[a]*REG[a][1]}" for a in nxt[:4]))আসল আউটপুট (ব্রাউজারের Python):
L x I rho(count)=+0.04 rho(density)=-0.02
L only rho(count)=-0.18 rho(density)=-0.17
I only rho(count)=+0.11 rho(density)=+0.05
top-4 areas: orders, account, payment, checkout -> 8 of 14
next release: checkout 25, payment 20, orders 16, account 16
সৎ ফল: L × I-এর ক্রম আর defect-এর ক্রমে প্রায় কোনো মিল নেই (ρ = +০.০৪)। Metric-ভিত্তিক likelihood একা তো সামান্য উল্টো দিকে (−০.১৮)। Impact একা সামান্য ভালো (+০.১১), কিন্তু নয়টি অংশে এত ছোট সংখ্যা প্রায় কিছুই প্রমাণ করে না। ওপরের চারটি অংশ মোট কোডের ৪৮.২% আর আসল defect-এর ১৪-এর ৮টি, অর্থাৎ ৫৭.১% — এলোমেলো বাছাইয়ের চেয়ে সামান্য ভালো। কেন? ১৪টির বেশিরভাগ এমন জাতের যা cyclomatic complexity দেখে না: ছোট পর্দার layout, contrast, Unicode, অফলাইন অবস্থা, বাইরের gateway আর lock. আর লগইনে শূন্য defect মানে নিরাপদ নয়: হয়তো কেউ ততটা খোঁজেননি (ভাবনার প্রশ্ন ০৫)। শেষ লাইনটি risk control-এর monitoring অংশ: নতুন register-এ checkout ২৫ আর পেমেন্ট ২০ এখন সবার ওপরে। Register জীবন্ত নথি; defect আসে, মাত্রা বদলায়।
এই পরীক্ষার সীমা। আসল defect-গুলো পাওয়া গেছে যেখানে কোর্সের বিভিন্ন পর্ব খুঁজেছে — accessibility, mobile, chaos — ঝুঁকির ক্রমে নয়। তাই “defect কোথায় পাওয়া গেল” আংশিকভাবে “কোথায় খোঁজা হলো”-রই প্রতিফলন। তবু শিক্ষাটি পরিষ্কার: শুধু কোডের metric দিয়ে likelihood দিলে UI, ভাষা, নেটওয়ার্ক আর বাইরের নির্ভরতার ঝুঁকি চোখ এড়ায়। §৩-এর বাকি কৌশলগুলো — checklist, FMEA, আগের defect — এগুলোর জন্যই।
৯ · Residual risk — release-এর দিনে ঝুঁকির ভাষায় রিপোর্ট
Test শেষে যে ঝুঁকি থেকে যায়, তাকে বলে residual risk; পর্ব ১৯-এ summary report-এ এর একটি লাইনের কথা এসেছিল। Risk-based testing-এ পুরো রিপোর্টই এই ভাষায়: প্রতিটি ঝুঁকি বা অংশে কতগুলো test পরিকল্পিত, চলেছে, পাস; কোন defect খোলা; আর তাই কতটা ঝুঁকি বাকি। একে বলে risk coverage-এর রিপোর্ট। “১৫০টির ১৫০টি পাস” শুনতে দারুণ; কিন্তু নিচের ডায়াগ্রাম দেখায়, বাজারঘরের আজকের আসল অবস্থায় সেই সংখ্যাটি কতটা অসম্পূর্ণ। এখানে ১৪টি আসল defect-ই এখনো খোলা, কারণ shared app-এ সেগুলো ইচ্ছা করে রেখে দেওয়া।
| অংশ | |
| test পাস | |
| খোলা defect | |
| residual |
- সব মিলিয়ে. app-এর নিজের suite চালানো হলো: ১৫০টির ১৫০টি পাস (সত্যিকারের run, §৭)। শুধু এই সংখ্যা দেখলে release-এর পথ পরিষ্কার মনে হয়। কিন্তু অন্য পর্বের ১৪টি আসল defect এখনো খোলা — suite সেগুলো ধরে না। ঝুঁকির মাত্রা এখনো অজানা।
- পেমেন্ট. ৭টির ৭টি পাস, কিন্তু ৩টি defect খোলা, তার একটিতে UI-তে দুবার টাকা কাটা যায়। উঁচু ঝুঁকির অংশে টাকার defect মানে residual risk উঁচু। একটি পর্যবেক্ষণ রিপোর্টে যায়: সবচেয়ে ঝুঁকির অংশে test সবচেয়ে কম — ৭টি, যেখানে দামের ৩২টি।
- Checkout. ১৯টির ১৯টি পাস, ৪টি defect খোলা: অফলাইনে পর্দায় পুরোনো charge, দুবার চাপলে বিভ্রান্তিকর পাতা, খসড়া হারানো, বাংলা অঙ্ক। অর্ডারের আসল হিসাব ঠিক থাকে, ক্ষতি মূলত বিভ্রান্তি — residual মাঝারি।
- দাম আর লগইন. ৩২টি আর ১৫টি test পাস, আসল defect শূন্য — residual নিচু। একটি লাইন যোগ: HTML form-এ CSRF token নেই, যা app-এ জেনেশুনে রাখা নকশা (পর্ব ৫২)। জানা ঝুঁকি মেনে নিলে সেই সিদ্ধান্ত কে নিলেন, লিখে রাখতে হয়।
- সার্চ আর লেআউট. সব test পাস, তবে দুটি অংশে দুটি করে defect: Unicode সার্চ আর ২৬৩ id-তে ৫০০; focus ring-এর contrast আর ছোট tap target. প্রতিবন্ধী ব্যবহারকারীর জন্য বাধা — residual মাঝারি।
- সিদ্ধান্তের তথ্য. রিপোর্টের শেষ লাইন: “card আর wallet পেমেন্টে residual risk উঁচু; wallet-এর defect ঠিক না হলে শুধু cash দিয়ে release-এর সুপারিশ।” Tester সুপারিশ দেন; ঝুঁকি মেনে নেওয়ার সিদ্ধান্ত product owner-এর, প্রতিষ্ঠানের risk appetite মেনে।
আরও গভীরে: Risk-based testing নিয়ে বহু-উদ্ধৃত একটি প্রাথমিক গবেষণা Ståle Amland-এর (২০০০ সালের দিকে Journal of Systems and Software-এ, একটি আর্থিক application-এর case study) — সেখানে likelihood আর impact-এর ভিত্তিতে test-এর ক্রম আর গভীরতা ঠিক করার পদ্ধতি দেখানো হয়েছিল বলে জানা যায়। তার আগে Barry Boehm-এর spiral model (১৯৮৬, পরে ১৯৮৮ সালে IEEE Computer-এ) পুরো software process-কেই ঝুঁকি-চালিত হিসেবে সাজায়। Defect prediction-এর গবেষণা (complexity, churn, আগের defect থেকে কোন ফাইলে ভুল হবে) পরে বহু বছর ধরে চলেছে, আর একটি বারবার আসা ফল: এক project-এ শেখানো মডেল অন্য project-এ প্রায়ই খারাপ চলে। আপনার register-কে তাই নিজের ইতিহাস দিয়ে বারবার যাচাই করতে হয়, যেমন §৮-এ করা হলো।
পরীক্ষা ও ইন্টারভিউতে: বিশ্ববিদ্যালয়, চাকরি বা ইন্টারভিউর পরীক্ষায় এই ধরনের প্রশ্ন প্রায়ই আসে:
- Risk level কী দিয়ে ঠিক হয়? — likelihood (ঘটার সম্ভাবনা) আর impact (ক্ষতি); প্রায়ই দুটির গুণফল।
- Risk-based testing-এ ঝুঁকি test-কে কীভাবে প্রভাবিত করে? — technique, level, coverage-এর গভীরতা, review-এর স্বাধীনতা আর চালানোর ক্রম।
- Product risk চিহ্নিত করার দুটি কৌশল? — brainstorming বা interview, checklist, FMEA, আগের defect, জটিলতা ও churn, ব্যবহারের ধরন — যেকোনো দুটি।
- FMEA-র RPN কী? — severity × occurrence × detection; বড় RPN আগে মনোযোগ পায়।
- Residual risk কী, কে মেনে নেন? — test-এর পরে বাকি ঝুঁকি; tester জানান, ব্যবসা বা product owner মেনে নেওয়ার সিদ্ধান্ত নেন।
১০ · AI-এর যুগে ঝুঁকির বিশ্লেষণ
AI assistant-কে বাজারঘরের risk analysis করে দিতে বললে সুন্দর একটি টেবিল আসে — কিন্তু প্রায়ই যেকোনো e-commerce-এর জন্য একই: “পেমেন্ট ব্যর্থতা, নিরাপত্তা, performance”. সাধারণ ভুলগুলো: সব ঝুঁকিতে প্রায় একই নম্বর; likelihood আর impact গুলিয়ে ফেলা; আপনার কোড না দেখেই complexity বা churn-এর সংখ্যা বানানো; আগের defect-এর ইতিহাস উপেক্ষা; residual risk-এ “সব ঝুঁকি নিয়ন্ত্রিত” লেখা। আর ঝুঁকি থেকে test লিখতে বললে পুরোনো রোগগুলো ফেরে: শুধু happy path, boundary বাদ, কোড এখন যা করে তাকেই expected result ধরা (ফলে ভুল কোডেও test সবুজ), অপেক্ষায় sleep, এত mock যে আসল কিছুই test হয় না, বানানো API field বা tool option, আর না চালিয়ে “সব test পাস” দাবি।
AI-কে বিচারক নয়, প্রশ্নকর্তা আর খসড়া-লেখক হিসেবে ব্যবহার করুন — আপনার মাপা তথ্য দিয়ে:
AI-এর লেখা risk analysis বা test হাতে পেলে — যাচাইয়ের চেকলিস্ট
ভাবনার প্রশ্ন
প্রতিটি প্রশ্ন নিয়ে নিজে কিছুক্ষণ ভাবুন — তারপর “→ উত্তর” চাপুন।
প্র ০১২০০০ সালের Y2K সমস্যা সামলাতে প্রতিষ্ঠানগুলো কীভাবে ঝুঁকি দিয়ে কাজ সাজিয়েছিল? আর “কিছুই তো হলো না” — এই কথাটি risk-based testing সম্পর্কে কী শেখায়?
বহু পুরোনো program-এ সাল লেখা হতো দুই অঙ্কে — ১৯৯৯ মানে “99”. ২০০০ সালে “00” এলে তারিখের তুলনা, বয়স বা সুদের হিসাব ভুল হতে পারত। ১৯৯০-এর দশকের শেষভাগে সরকার, ব্যাংক, বিদ্যুৎ আর বিমান সংস্থাগুলো এর পেছনে বিপুল সময় খরচ করে। সমস্যাটি ছিল আকারের: লক্ষ লক্ষ লাইন কোড, অনেকটার মূল লেখক আর নেই, আর সময়সীমা অনড় — ৩১ ডিসেম্বর পেছানো যায় না।
তাই কাজটি প্রায় সবখানে triage দিয়ে শুরু হয়েছিল বলে জানা যায়: প্রথমে সব system-এর তালিকা, তারপর প্রতিটির গুরুত্ব — জীবন বা নিরাপত্তা, টাকার লেনদেন, আইনি দায়, না কি শুধু অভ্যন্তরীণ রিপোর্ট। সবচেয়ে গুরুত্বপূর্ণগুলো আগে ঠিক আর test, কম গুরুত্বেরগুলোর জন্য কখনো শুধু একটি বিকল্প পরিকল্পনা — “ভুল হলে হাতে চালাব।” এটিই risk-based testing-এর পুরো কাঠামো: impact দিয়ে ক্রম, likelihood দিয়ে গভীরতা (কোন system তারিখের হিসাব বেশি করে), আর residual risk-এর জন্য contingency.
২০০০ সালের ১ জানুয়ারি বড় কোনো বিপর্যয় ঘটেনি। পরে অনেকে বলেছেন, পুরো ব্যাপারটি বাড়াবাড়ি ছিল। অন্যদের যুক্তি, বিপর্যয় হয়নি কারণ কাজটি করা হয়েছিল — একে কখনো preparedness paradox বলা হয়। কোনটি কতটা সত্য, তা নির্ভরযোগ্যভাবে মাপা কঠিন, কারণ যে ভুল আগেই ঠিক হয়েছে তার ক্ষতি কেউ দেখেননি।
Tester-এর জন্য শিক্ষাটি সরাসরি: ঝুঁকিভিত্তিক কাজ সফল হলে তার ফল অদৃশ্য। বাজারঘরের পেমেন্টে ভালো test থাকলে কোনো দিন দুবার টাকা কাটা যাবে না, আর কেউ জানবেন না কোন bug আটকানো হয়েছিল। তাই risk register আর তার সঙ্গে যুক্ত defect-এর ইতিহাস লিখে রাখা দরকার — কোন ঝুঁকি চিহ্নিত হয়েছিল, কোন test তা ধরেছিল। তা না হলে পরের বছর বাজেটের আলোচনায় “এত test কেন, কিছুই তো হয় না” প্রশ্নের উত্তর থাকে না।
মূল উপলব্ধি: ঝুঁকি দিয়ে সাজানো কাজের সাফল্য মানে কিছু না ঘটা। সেই “কিছু না”-এর মূল্য বোঝাতে চাই লেখা register, ধরা পড়া defect-এর হিসাব আর সৎ residual risk রিপোর্ট।
প্র ০২Risk matrix প্রায় সব প্রতিষ্ঠানে চলে। তবু কেউ কেউ বলেন এটি কখনো এলোমেলো বাছাইয়ের চেয়েও খারাপ সিদ্ধান্ত দিতে পারে। কেন, আর tester কী করবেন?
ঝুঁকি বিশ্লেষণের গবেষক Louis Anthony Cox Jr. ২০০৮ সালে Risk Analysis জার্নালে “What's wrong with risk matrices?” নামে একটি প্রবন্ধে দেখান, risk matrix-এর কাঠামোতেই কয়েকটি গাণিতিক সমস্যা আছে। এক, range compression: একটি ঘরের ভেতরে খুব ভিন্ন মাপের ঝুঁকি একই রং পায়। দুই, ক্রমবাচক নম্বর গুণ করা: ১ থেকে ৫ স্কেলের দূরত্বগুলো সমান নয়, তাই ৪ × ৪ = ১৬ যে ৩ × ৫ = ১৫-এর চেয়ে বড় ঝুঁকি, তা নিশ্চিত নয়। তিন, ঝুঁকিগুলো একে অপরের সঙ্গে সম্পর্কিত হলে (একই কারণে একসঙ্গে ঘটে) ছক তা দেখায় না। তাঁর বিশ্লেষণে কিছু ক্ষেত্রে ছকের ক্রম আসল ঝুঁকির ক্রমের উল্টো হতে পারে।
বাজারঘরে এর ছোট রূপ দেখেছেন। দামের নিয়ম impact ৫, likelihood ১ — গুণফল ৫, সবুজ ঘর। কোডটি ছোট আর সরল বলে likelihood কম ধরা হয়েছে; কিন্তু পর্ব ০৮-এর শিক্ষা — সরল কোডেই > আর >=-এর ভুল সবচেয়ে বেশি। §৭-এর পরীক্ষায় দামের seeded bug দুটি ঝুঁকির ক্রমে ১১৯ আর ১৩১-তম test-এ ধরা পড়েছে, ডিফল্টে ৮৬ আর ৯৮-এ। ছক এখানে খারাপ পরামর্শ দিয়েছে।
তাহলে কি ছক ফেলে দেবেন? না — এটি দ্রুত, সবাই বোঝেন, আর আলোচনা শুরু করায়। বরং কয়েকটি রক্ষাকবচ রাখুন। প্রথমত, impact-এর একটি নিচের সীমা: impact ৫ কখনো নিচু দলে নয়। দ্বিতীয়ত, স্কেলের প্রতিটি নম্বরের লেখা সংজ্ঞা, যাতে নম্বর মানে সবাই একই বোঝেন। তৃতীয়ত, সীমার কাছের ঝুঁকিতে (১৪ বা ১৫) মানুষের আলোচনা। আর যেখানে টাকার হিসাব সত্যিই দরকার — যেমন নিরাপত্তা বিনিয়োগ — সেখানে range আর সম্ভাবনার বণ্টন দিয়ে বিশ্লেষণ, যা সাইবার নিরাপত্তা কোর্সের পর্ব ৬৮-এ FAIR আর Monte Carlo দিয়ে দেখানো হয়েছে।
মূল উপলব্ধি: Risk matrix একটি যোগাযোগের হাতিয়ার, মাপার যন্ত্র নয়। সংখ্যাকে সিদ্ধান্ত না ভেবে আলোচনার শুরু ভাবুন, আর যে নিয়মে ছক ভুল পথে নেয়, তা আগে থেকে লিখে আটকান।
প্র ০৩২০১৪ সালের Heartbleed — একটি ছোট extension-এর ভুল কীভাবে পৃথিবীর বিরাট অংশের ঝুঁকি হলো? ঝুঁকি চিহ্নিত করার তালিকায় নির্ভরতা (dependency) কোথায় বসে?
২০১৪ সালের এপ্রিলে প্রকাশ্যে আসে যে বহুল-ব্যবহৃত open-source library OpenSSL-এর heartbeat extension-এ একটি সীমা-যাচাই নেই (CVE-2014-0160). আক্রমণকারী ছোট একটি অনুরোধে বলতে পারত “আমাকে এত byte ফেরত দাও”, আর server নিজের memory থেকে তার চেয়ে অনেক বেশি তথ্য পাঠিয়ে দিত — কখনো গোপন চাবি বা password-সহ। ভুলটি কোডে ঢুকেছিল প্রায় দুই বছর আগে বলে জানা যায়। পরে আলোচনায় আসে, এত গুরুত্বপূর্ণ library-টি তখন অল্প কয়েকজন স্বেচ্ছাসেবকের ওপর চলছিল।
ঝুঁকির ভাষায় এখানে দুটি মাপ চরম। Impact: ইন্টারনেটের একটি বড় অংশের এনক্রিপ্টেড যোগাযোগ। Likelihood-এর ইঙ্গিত: জটিল, memory সরাসরি নাড়াচাড়া করা C কোড, নতুন যোগ হওয়া feature, আর সীমিত review. অথচ যারা এই library ব্যবহার করত, তাদের অনেকের ঝুঁকির তালিকায় এটি একটি লাইনও ছিল না — “ওটা তো অন্যের কোড।”
Risk-based testing-এর শিক্ষা: ঝুঁকি চিহ্নিত করার সময় নিজের কোডের বাইরেও তাকান। বাজারঘরে এর রূপ হলো wallet gateway. পেমেন্টের তিনটি আসল defect-এর দুটি (পর্ব ৬৩) এসেছে বাইরের নির্ভরতার আচরণ থেকে — gateway ধীর হলে, বা টাকা কেটে timeout দিলে। radon এই ঝুঁকি দেখে না, কারণ কোডের জটিলতা কম; ঝুঁকিটি interface-এ। তাই checklist-এ একটি প্রশ্ন স্থায়ী রাখুন: “কোন বাইরের library, service বা API-র ওপর নির্ভর করি, সেটি ভুল করলে, ধীর হলে বা বন্ধ হলে কী হয়?” নিরাপত্তার দিকটি — নির্ভরতার দুর্বলতা খোঁজা আর হালনাগাদ রাখা — নিরাপত্তা নিয়ে পর্ব ৫২-এ আর সাইবার নিরাপত্তা কোর্সে বিস্তারিত।
আরেকটি দিক: ব্যবহারের পরিমাণ impact বাড়ায়। যে উপাদান সবাই ব্যবহার করেন, তার একটি ছোট ভুল সবার ঝুঁকি। বাজারঘরের checkout-এর ক্ষেত্রেও একই যুক্তি দেখেছেন (§৩-এর শেষ ধাপ)।
মূল উপলব্ধি: “আমাদের কোড নয়” মানে “আমাদের ঝুঁকি নয়” নয়। নির্ভরতা আর interface ঝুঁকির তালিকায় আলাদা লাইন পায়, কারণ কোডের metric সেগুলো দেখে না।
প্র ০৪Mars Climate Orbiter (১৯৯৯) হারিয়ে যাওয়ার কারণ ছিল দুই দলের software-এর মধ্যে এককের অমিল। দুই দলই নিজের অংশ test করেছিল — তবু ঝুঁকিটি কেন ফাঁকে পড়ল?
১৯৯৯ সালের সেপ্টেম্বরে NASA-র Mars Climate Orbiter মঙ্গলের কক্ষপথে ঢোকার সময় হারিয়ে যায়। তদন্তে আসে, মাটির একটি software thruster-এর ধাক্কার মান দিচ্ছিল ইংরেজি এককে (pound-force second), অথচ পথ হিসাবের অংশটি ধরে নিয়েছিল মেট্রিক একক (newton-second). পার্থক্য প্রায় সাড়ে চারগুণ; কয়েক মাসের যাত্রায় ছোট ভুল জমে মহাকাশযানটি পরিকল্পনার চেয়ে অনেক নিচ দিয়ে যায়। Interface-এর নথিতে মেট্রিক এককের কথা লেখা ছিল বলে জানা যায়; কিন্তু দুই অংশের মিলনস্থলের যাচাই যথেষ্ট হয়নি, আর যাত্রাপথে কিছু অস্বাভাবিকতার সংকেত গুরুত্ব পায়নি।
Risk-based testing-এর চোখে এটি একটি চেনা ফাঁদ। প্রতিটি দল নিজের অংশের ঝুঁকি বিশ্লেষণ করে, আর দুই অংশের মাঝের জায়গাটি কারও তালিকায় থাকে না। FMEA-ও যদি অংশ ধরে ধরে হয়, interface-এর failure mode — “ভুল এককে মান এল” — বাদ পড়তে পারে। এর প্রতিকার তিনটি। এক, ঝুঁকির তালিকায় interface-কে আলাদা অংশ হিসেবে রাখা, নিজস্ব likelihood আর impact-সহ। দুই, interface-এ contract বা integration test (পর্ব ২৮-এ integration testing) — দুই পাশের অনুমান একসঙ্গে যাচাই। তিন, চলার সময়ের অস্বাভাবিকতাকে নতুন ঝুঁকির তথ্য হিসেবে ধরা: register হালনাগাদ করা, “পরে দেখব” না ভাবা।
বাজারঘরের মাপে তুলনা: checkout-এর পাতা delivery charge দেখায় আর server তা হিসাব করে। পর্ব ৫৭-এর আসল defect — অফলাইনে পর্দায় পুরোনো charge — ঠিক এই মিলনস্থলে: server-এর হিসাব ঠিক, পাতার হিসাবও “ঠিক”, কিন্তু দুইয়ের মাঝে নেটওয়ার্ক কাটলে ক্রেতা ভুল সংখ্যা দেখেন। §৮-এর পরীক্ষায় কোডের metric এই ঝুঁকি দেখেনি।
মূল উপলব্ধি: ঝুঁকি প্রায়ই অংশের ভেতরে নয়, অংশের মাঝে থাকে। তালিকায় interface-কে নিজের নামে জায়গা দিন, নইলে সবার test পাস করবে আর তবু system ব্যর্থ হবে।
প্র ০৫বাজারঘরের register-এ লগইন অংশের স্কোর ১৬, অথচ আসল defect শূন্য। এর মানে কি অনুমানটি ভুল ছিল? একটি risk মডেল ভালো না খারাপ, তা কীভাবে বিচার করবেন?
প্রথম প্রলোভন: “শূন্য defect, তাই ঝুঁকি ছিল না, অনুমান ভুল।” কিন্তু “defect পাওয়া যায়নি” আর “defect নেই” এক কথা নয় — পর্ব ০৩-এর প্রথম নীতি। বাজারঘরের ১৪টি আসল defect পাওয়া গেছে যেখানে কোর্সের পর্বগুলো বিশেষ tool নিয়ে খুঁজেছে: accessibility, mobile, chaos, fuzz. লগইনে সেই মাত্রার খোঁজ হয়েছে নিরাপত্তার পর্বগুলোতে, আর সেখানে একটি জেনেশুনে রাখা দুর্বলতা (CSRF token নেই) ছাড়া কিছু আসেনি। তাই শূন্যের দুটি ব্যাখ্যাই সম্ভব: অংশটি সত্যিই শক্ত, অথবা কেউ যথেষ্ট খোঁজেননি। পরিসংখ্যানে একে detection bias-এর একটি রূপ বলা যায়।
তাহলে মডেল বিচার হবে কীভাবে? একটি release দিয়ে নয়, অনেকগুলো দিয়ে। প্রতিটি release-এর আগে register-এর স্কোর লিখে রাখুন, পরে production আর test মিলিয়ে কোন অংশে কত defect এল তা গুনুন, আর §৮-এর মতো rank correlation বা “ওপরের ২০% অংশে কত শতাংশ defect” মাপুন। কয়েক release পরে বোঝা যায় কোন উপাদান — complexity, আগের defect, impact — আপনার project-এ আসলে কিছু বলে। Barry Boehm-এর spiral model (১৯৮৬; ১৯৮৮-এ IEEE Computer-এ) এই চক্রটিকেই process-এর কেন্দ্রে রাখে: প্রতিটি পাকে ঝুঁকি চিহ্নিত, মোকাবিলা, আর শেখা।
আরেকটি সূক্ষ্ম বিষয়: ঝুঁকিভিত্তিক test নিজেই ফল বদলায়। উঁচু ঝুঁকির অংশে বেশি test হলে সেখানে release-এর আগে বেশি bug ধরা পড়ে আর production-এ কম আসে। ফলে “production-এ defect কম” দেখে কেউ বলতে পারেন অংশটি নিরাপদ ছিল, অথচ কারণটি ছিল test. তাই বিচারের সময় test-এ ধরা আর production-এ আসা — দুটিই গুনুন।
বাজারঘরের ক্ষেত্রে সৎ সিদ্ধান্ত: লগইনের স্কোর আপাতত কমানো হবে না, কারণ অংশটি নিরাপত্তার, আর impact ৪. কিন্তু likelihood-এর পদ্ধতি বদলাবে — শুধু CC আর SLOC নয়, interface, ভাষা আর UI-র checklist থেকেও নম্বর আসবে।
মূল উপলব্ধি: একটি release-এর ফল দিয়ে risk মডেলকে ভালো বা খারাপ বলা যায় না। স্কোর লিখে রাখুন, ফল গুনুন, অনেক release ধরে মেলান — আর মনে রাখুন, না খুঁজলে না পাওয়াই স্বাভাবিক।
অনুশীলন
প্রথমে নিজে লিখুন, তারপর উত্তর মিলিয়ে দেখুন।
-
Spec থেকে ঝুঁকি আর test case: বাজারঘরে নতুন feature: “ঈদ এক্সপ্রেস — শুধু ঢাকার ভেতরে; ঈদের আগের ৫ দিনে; সকাল ১০টার আগে অর্ডার করলে একই দিনে পৌঁছাবে; চার্জ ১৫০ টাকা (সাধারণ delivery charge-এর বদলে); cash-এ পাওয়া যাবে না।” (ক) চারটি product risk লিখে প্রতিটিতে likelihood আর impact (১–৫) দিন। (খ) সবচেয়ে বড় ঝুঁকির জন্য EP আর BVA দিয়ে test case-এর তালিকা বানান।
(ক) একটি যুক্তিসংগত উত্তর: E1 সময়ের সীমা ভুল (৯:৫৯ বনাম ১০:০০, আর কোন সময় অঞ্চলে — বাজারঘরের সময় UTC+6) — L 4, I 4 = ১৬; E2 ঢাকার বাইরে বা Gazipur/Narayanganj-এ এক্সপ্রেস চালু হয়ে যাওয়া — L 3, I 4 = ১২; E3 চার্জ ভুলভাবে সাধারণ নিয়মের সঙ্গে মেশা (২০০০ বা বেশিতে ফ্রি delivery-ও যোগ, অথবা coupon delivery-তে বসা) — L 4, I 5 = ২০; E4 cash বেছে নিলে এক্সপ্রেস না সরে যাওয়া — L 2, I 3 = ৬. প্রথম তিনটি উঁচু বা মাঝারি; এক্সপ্রেস নতুন কোড, তাই likelihood সাধারণত বেশি।
(খ) E3-এর জন্য (impact ৫): ঢাকা, এক্সপ্রেস, পণ্যের দাম ১৯৯৯ → charge ১৫০; ২০০০ → ১৫০ (ফ্রি নয় — spec বলে বদলে ১৫০; এটি product owner-এর কাছে নিশ্চিত করার প্রশ্ন); ১০০১ → ছাড় ১০০ পণ্যে, charge ১৫০ অপরিবর্তিত; Plus সদস্য ঢাকায় → ১৫০. E1-এর জন্য সময়: ৯:৫৯:৫৯ → একই দিন, ১০:০০:০০ → নয়; তারিখ: ঈদের ৬ দিন আগে → নেই, ৫ দিন আগে → আছে, ১ দিন আগে → আছে, ঈদের দিন → নেই (spec অস্পষ্ট — প্রশ্ন)। E2: Dhaka → আছে, Gazipur → নেই. উঁচু দল বলে এগুলো API আর UI দুই স্তরে, আর প্রতিটি run-এ প্রথমে।
-
আউটপুট অনুমান করুন: §৫-এর
band()function দিয়ে নিচের loop কী ছাপবে? প্রথমে নিজে লিখুন।for l, i in [(5, 3), (1, 5), (2, 4), (4, 2), (3, 2)]: print(l * i, band(l * i, i))আসল আউটপুট:
15 HIGH 5 MED 8 MED 8 MED 6 LOW১৫ সরাসরি HIGH. (১, ৫)-এর গুণফল ৫, কিন্তু impact ৫ বলে প্রথম শর্তে ঢোকে, আর ১৫-এর কম বলে MED — নিচের সীমার নিয়ম। (২, ৪) আর (৪, ২) দুটিই ৮ → MED: একই গুণফল, যদিও প্রথমটি বিরল কিন্তু বড় ক্ষতি, দ্বিতীয়টি ঘন ঘন কিন্তু ছোট — ছক দুটিকে আলাদা করে না। (৩, ২) = ৬ → LOW.
-
এই risk register আর রিপোর্টে ভুল খুঁজুন: একজন নতুন test analyst লিখেছেন —
ID ঝুঁকি L I স্কোর R1 রিভিউর গড় ভুল (গ্রাহক রাগ করবেন) 5 5 25 R2 একমাত্র tester ঈদের ছুটিতে 4 3 12 R3 পেমেন্ট timeout-এ দুবার টাকা 3 5 8 R4 সার্চ ধীর 2 2 4 প্রতিকার: সবকিছুতে আরও test Residual risk: সব test পাস, তাই কোনো ঝুঁকি নেই- R1: likelihood-এর কারণ হিসেবে “গ্রাহক রাগ করবেন” — এটি impact. Likelihood ৫ কোন কারিগরি তথ্য থেকে, লেখা নেই।
- R2: project risk, product risk-এর তালিকায় মেশানো। এটি plan-এর ঝুঁকির ঘরে, আলাদা প্রতিকারসহ (পর্ব ১৭)।
- R3: হিসাব ভুল — ৩ × ৫ = ১৫, ৮ নয় (যোগ করা হয়েছে)। ফলে টাকার সবচেয়ে বড় ঝুঁকি তৃতীয় স্থানে নেমে গেছে।
- R4: “ধীর” মাপা যায় না; চাই একটি সংখ্যা, যেমন p95 ২ সেকেন্ডের বেশি।
- প্রতিকার: “আরও test” কোনো প্রতিকার নয়; প্রতিটি ঝুঁকিতে নির্দিষ্ট technique, level আর ক্রম (§৬)।
- Residual risk: “সব test পাস” থেকে “কোনো ঝুঁকি নেই” আসে না — পর্ব ০৩-এর নীতি, আর §৯-এ দেখেছেন ১৫০/১৫০ পাসের পাশেও ১৪টি খোলা defect. তা ছাড়া register-এ owner আর অবস্থার ঘর নেই।
-
FMEA-র হিসাব: checkout-এর চারটি failure mode-এ (severity, occurrence, detection): F1 timeout-এর পরে আবার pay (৯, ৪, ৬); F2 অফলাইনে পুরোনো delivery charge (৫, ৫, ৭); F3 বাংলা অঙ্কের ফোন নম্বর (৪, ৬, ৩); F4 coupon-এর ১০০০ টাকার সীমা (৭, ৩, ২)। (ক) RPN হিসাব করে ক্রমে সাজান। (খ) একটি automated UI test যোগ করে F1-এর detection ৬ থেকে ২ হলে F1-এর নতুন RPN কত, আর ক্রমে কী বদলায়? (গ) F4-এর severity দ্বিতীয় সর্বোচ্চ, তবু RPN সবচেয়ে কম — এটি কি ঠিক?
(ক) F1 = ৯ × ৪ × ৬ = ২১৬; F2 = ৫ × ৫ × ৭ = ১৭৫; F3 = ৪ × ৬ × ৩ = ৭২; F4 = ৭ × ৩ × ২ = ৪২. ক্রম: F1, F2, F3, F4.
(খ) ৯ × ৪ × ২ = ৭২ — F3-এর সমান, F2-এর নিচে। Test যোগ করা মানে ঝুঁকি ধরা পড়ার সম্ভাবনা বাড়ানো; FMEA-তে এটি detection কমিয়ে দেখায়। কিন্তু খেয়াল করুন, severity ৯ বদলায়নি: ভুল ঘটলে ক্ষতি একই। কোডে Idempotency-Key-এর মতো নকশার সমাধান (পর্ব ৩৪-এর ধারণা) occurrence কমায় — বেশি স্থায়ী প্রতিকার।
(গ) পুরোপুরি নয়। কম RPN-এর কারণ detection ২ — automated boundary test (পর্ব ০৮) সহজেই ধরে। কিন্তু RPN-ও ক্রমবাচক সংখ্যার গুণফল, তাই অনেক দল একটি অতিরিক্ত নিয়ম রাখে: severity ৯ বা ১০ হলে RPN যা-ই হোক আলাদা পর্যালোচনা। F4-এর ৭ সেই সীমায় পড়ে না, তবে টাকার নিয়ম বলে regression suite-এ তার test স্থায়ী থাকবে।
নিজেকে যাচাই করুন
ভুল হলে কারণসহ ব্যাখ্যা পাবেন, আবার চেষ্টাও করতে পারবেন।
ক্রমRisk-based testing-এর ধাপগুলো সাধারণ ক্রমে সাজান (▲▼ চেপে সরান)
- কয়েকটি কৌশলে product risk চিহ্নিত করা
- প্রতিটি ঝুঁকিতে likelihood আর impact দিয়ে মাত্রা ঠিক করা
- মাত্রা অনুযায়ী technique, level, গভীরতা আর ক্রম বাছাই
- অগ্রাধিকারের ক্রমে test চালানো
- নতুন defect আর তথ্য দেখে register হালনাগাদ করা
- Residual risk-এর ভাষায় রিপোর্ট আর release-এর সুপারিশ
Risk-based testing-এ একটি product risk-এর মাত্রা (risk level) সাধারণত কোন দুটি জিনিস দিয়ে ঠিক হয়?
- Test case-এর সংখ্যা আর test-এর সময়
- Likelihood আর impact
- Severity আর priority
- Statement আর branch coverage
একটি অংশের কোড খুব জটিল আর গত মাসে পাঁচবার বদলেছে। এই তথ্য ঝুঁকির কোন দিকটি সবচেয়ে বেশি বাড়ায়?
- Impact
- Project risk
- Likelihood
- Residual risk
FMEA-তে একটি failure mode-এর severity ৮, occurrence ৩ আর detection ৫. এর RPN কত?
- ১২০
- ১৬
- ২৪
- ৪০
একটি risk matrix-এ গুণফল ৭ বা কম হলে “নিচু” দল। টাকার হিসাবের একটি নিয়মের likelihood ১, impact ৫. কোন সিদ্ধান্ত সবচেয়ে যুক্তিসংগত?
- নিচু দল, তাই এই release-এ কোনো test নয়
- likelihood ৩ লিখে দেওয়া, যাতে গুণফল ১৫ হয়
- শুধু likelihood দেখে ক্রম ঠিক করা
- লেখা নিয়মে impact ৫-কে অন্তত মাঝারি দলে রেখে নির্দিষ্ট boundary test
Release-এর দিনে কোন রিপোর্ট risk-based testing-এর ভাবনার সঙ্গে সবচেয়ে বেশি মেলে?
- “৯৮% test পাস, release করা যায়”
- “পেমেন্টে residual risk উঁচু (৩টি খোলা defect), দামের নিয়মে নিচু; wallet ঠিক না হলে শুধু cash-এর সুপারিশ”
- “সব ঝুঁকি দূর হয়েছে”
- “এই release-এ ৪২টি bug পাওয়া গেছে”
একটি দল কোডের metric দিয়ে likelihood দিল, আর পরে দেখল আসল defect-গুলোর বেশিরভাগ এসেছে UI, বাংলা লেখা আর অফলাইন অবস্থা থেকে। সবচেয়ে ভালো পরবর্তী পদক্ষেপ কী?
- Risk-based testing বাদ দিয়ে সব জায়গায় সমান test
- শুধু complexity-র weight বাড়ানো
- likelihood-এর উৎসে checklist, আগের defect আর interface-এর প্রশ্ন যোগ করে register হালনাগাদ, আর পরের release-এ আবার যাচাই
- পুরোনো defect উপেক্ষা করা, কারণ সেগুলো ঠিক হয়ে যাবে
শব্দকোষ
লেখার মধ্যে ডটেড দাগ দেওয়া শব্দে মাউস রাখুন বা চাপুন — অর্থ দেখাবে। এই পর্বের সব নতুন শব্দ এখানে একসাথে:
মনে রাখুন
- ঝুঁকি = likelihood × impact; প্রথমটি কারিগরি, দ্বিতীয়টি ব্যবসার প্রশ্ন — আলাদা মানুষ, আলাদা কারণ।
- চিহ্নিত করতে কয়েকটি কৌশল একসঙ্গে: brainstorming, checklist, FMEA, আগের defect, জটিলতা ও churn, ব্যবহারের ধরন; interface আর নির্ভরতা আলাদা লাইনে।
- ঝুঁকি ঠিক করে technique, level, coverage, স্বাধীনতা আর ক্রম; risk matrix আলোচনার শুরু, আর impact ৫ কখনো নিচু দলে নয়।
- Register একটি বাজি — আসল defect দিয়ে যাচাই করুন। বাজারঘরে metric-ভিত্তিক likelihood প্রায় কিছুই আগে বলতে পারেনি (ρ ≈ ০)।
- শেষে residual risk-এর ভাষায় রিপোর্ট; “সব পাস” মানে “ঝুঁকি নেই” নয়, আর মেনে নেওয়ার সিদ্ধান্ত ব্যবসার।
আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ
- পর্ব ৭৪ · Test management আর estimation — tool, পরিকল্পনা আর অগ্রগতিপরবর্তী পর্বEstimation, অগ্রগতি দেখা আর পিছিয়ে পড়লে test control.
- সফটওয়্যার টেস্টিং ও QA · কোর্স হোম৮২টি পর্ব১৪টি মডিউলের পুরো রোডম্যাপ।
- পর্ব ১৭ · Test plan আর test strategy — কী, কতটা, কে, কবেফিরে দেখুনProduct বনাম project risk আর plan-এর ঝুঁকির ঘর।
- পর্ব ৬৮ · বড় test suite — selection, sharding, flake budget আর রক্ষণাবেক্ষণফিরে দেখুনTest-এর ক্রম, selection আর APFD-এর বিস্তারিত।
- সফটওয়্যার ইঞ্জিনিয়ারিং ও Git · পর্ব ৬২পাশের ট্র্যাকRisk register, response, RMMM আর expected monetary value.
- সাইবার নিরাপত্তা · পর্ব ৬৮পাশের ট্র্যাকHeat map-এর দুর্বলতা, FAIR আর Monte Carlo দিয়ে ঝুঁকির হিসাব।